智能电表数据分析主要应用场景

　　1.客户行为分析

　　负荷曲线是客户消费行为的直观显示，智能电表数据能详细的记录客户消费细节，如间隔为15min的电量、功率、电压等参数。由于具有相似消费习惯的客户具有相似的负荷分布形状，因此可以根据其负荷分布的相似度来对客户加以分类，从而更加方便企业对客户的分类和精细化管理，并针对某类用户制定更加有针对性的运营策略。

　　把用户实际的负荷曲线叠加到电网峰谷时段上，可以展现出用户更多的用电细节，计算其峰值时段的电能费用，估算用户错峰的潜力。因此利用智能电表数据对客户行为进行分析，能更有效地促进需求侧管理，合理抑制负荷峰值，提高电网资产的利用率。

　　2.资产管理

　　利用智能电表数据来辅助配电网资产管理是智能电表数据应用的一个重要方向。通过对电表数据的分析，可以监测设备的运行状态，提前识别设备故障，从而合理优化资产的维护和更换计划。美国的弗罗里达电力电灯公司（Florida Power & Light，FPL）利用智能电表量测数据，对故障配电变压器的二次侧电压数据进行回溯分析，结果发现故障变压器的二次侧电压在故障发生前2～3个月的时间内存在明显的偏高现象。通过对变压器故障机理深入分析得出，这类故障是由于高压侧绕组损坏，变压器变比发生变化而导致。利用这一规律，FPL实施了全系统变压器的故障预警监测，主动更换将要故障的变压器，实现防患于未然。在AMI项目启动的第1个月（2012年11月），就发现了372台符合此条件的变压器（FPL变压器总数在879 000台左右）。在2014年1～6月也已更换452台配电变压器（以电压高于252 V为判据，240 V为额定电压），它们大都是服务年限高于15年的老变压器。通过对智能电表数据的应用，FPL在系统运营方面得到了显著的收益，包括变被动故障为主动的计划停运维护，变压器更新开支平均节省25%，缩短了用户停电时间（比故障停运情形减少93 min）。

　　从以上案例可以看出，智能电表数据能很好地帮助电力公司提高其资产的管理和运维水平，减少非必要的事故停电，提高用户满意度。

　　3.故障定位与响应

　　通常电力公司一般依据客户电话来确定电网故障的位置，在派遣工作人员去现场处理之前，需要几个或是更多的故障电话来大致确认故障范围和影响区域，然而这样就会大大增加故障的处理时间。派遣现场工作人员处理故障前，利用电表数据和线路故障指示器联合判断故障地点，将极大地减少故障影响时间。

　　许多智能电表都是内置电容供电的智能传感器，在线路停电后仍然能够上报“失电”故障信息（last gasp）至故障管理系统。从各智能电表接收到的故障信息能够清楚地判断故障范围，如果把智能电表和地理信息系统结合在一起，通过故障点的分布和拓扑关系可进一步显示各故障点的相关性。另外派遣现场作业人员处理故障前，调度中心的操作人员能够下发指令到相关的电表判断是否断电，这能够极大地减少故障误报。智能电表在恢复供电后也会上报“上电”信息（first breath）。智能电表和操作人员之间的这种互动过程能帮助确认故障修复并检测是否有多重电网故障同时存在。

　　4.网损分析

　　目前配电网网损计算中存在的最突出问题就是供售电数据不同期，产生此问题的根本原因是不同电压等级的售电量抄表日期不一致，且与供电量的结算日期不同。而智能电表的大量应用，使电力公司可获得变压器、馈线和大量用户的同期（准同期）数据，依据这些数据可得到同期线损，较过去通过手工抄表数据所计算的结果要精确很多。

　　除了网损的同期问题外，网损计算的周期也是值得关注的问题。传统网损分析一般每月进行一次，属于事后折算定性分析，存在明显的滞后性和盲目性，往往不能正确评价损耗率是否合理，也不能及时做出补救措施。电力是一种特殊的商品，每时每刻都随着工农业生产、居民生活、天气等发生变化，线损率也随之变化。怎样来实时地跟踪这些变化，或者将发生变化的监测时间压缩到最小是亟待解决的问题。智能电表采集间隔一般为15min，可以把原来一个月进行一次的网损分析缩短至15分钟级，甚至可以对重点关注的某个或一组用户，设置到5min或更小的间隔，这样可以为网损分析提供实时（或准实时）的测量数据，对电网运行过程中的用电异常、窃电行为提供及时主动预警。

　　5.配电网状态估计

　　传统意义上，电力公司通过位于变电站内或配电线路沿线的SCADA设备来监测配电系统，例如线路重合闸设备、电压调节器和电容控制器等。SCADA测量能够提供电流、电压等信息，再结合配电管理系统DMS中的先进软件应用，可以有效地提升对配电线路分析、检测的清晰度和性能，对配电线路所有测量点实时电气信息做出状态估计，但是SCADA无法显示配电线路以外的电气信息。

　　智能电表数据可以补偿SCADA实时数据的不足，其提供的小时冻结数据甚至是分钟冻结数据显著提升了状态估计精度。把智能电表系统收集的历史数据与天气信息和GIS模型结合起来，构建精度更高的用户模型。用户数据实现近实时收集，随时掌握用户点的精确功率流，为配电网状态做出更精确的估计。

　　6.电压和无功优化

　　集成的电压/无功优化（volt/var optimization，VVO）与传统未经协调的局部控制方法不同，VVO使用全网实时信息和在线模型对配电网络进行全面评估，提供全网优化和协调控制策略，使各项调节控制措施产生的结果能与最佳控制目标一致。 当前应用的VVO系统采用准实时的配电网潮流模型，潮流模型建立在实时网络拓扑模型、节点负荷模型和二次回路等效模型之上。负荷模型的调整依靠变电站自动化和馈线自动化SCADA系统的测量来实现，并采用下游配电线路的状态估计电压作为配电网潮流模型的参考电压。因此客户端电压的精度取决于参考电压的精度与配电线路、配电变压器和二次回路等效模型的压降。这些模型的误差都给电压无功优化带来许多不确定性，降低了VVO的性能。利用覆盖全网的智能电表（包含馈线、配电变压器和居民电表）和通信网络，智能电表的量测数据作为SCADA系统的冗余，能够通过减少无功优化中的不确定性，提升电压无功优化性能。

　　VVO的另一个目的是在不违反电力服务标准的情况下，使得任意用户点的配电电压尽可能低。大多数VVO方案依靠状态估计所得到的低电压限制和模型结果往往精度不够，VVO应用倾向于采用保守方案来保持电压不违反低电压门限。智能电表的历史数据和实时数据能显著提升模型的精度，并保证无功控制行为不违反运行限制。另外在系统中的薄弱点，通过对智能电表进行特定的设置，使其能为VVO返回近实时测量数据，为其优化过程提供帮助。

　　综上所述，智能电表数据大量应用于配电网的规划设计、运行维护及客户服务等各个方面，除了上面列举的方向外，智能电表数据还可以广泛应用于负荷预测、可靠性评估、相位识别、三相不平衡分析等方面。